Vibe coding 2026: cara membangun perangkat lunak raksasa dengan AI (dari aplikasi pertama hingga skala Google)

Dua tahun lalu, “cukup jelaskan apa yang kamu mau dan biarkan AI menulis kodenya” terdengar seperti lelucon. Pada 2026, begitulah sebagian besar dan terus bertambah dari perangkat lunak dunia benar-benar dibangun. GitHub melaporkan bahwa sekitar 46% dari semua kode baru kini dihasilkan AI. Google mengatakan sekitar seperempat basis kodenya sendiri dibantu AI. Gartner memperkirakan 60% dari semua kode perangkat lunak baru akan ditulis mesin pada akhir tahun ini. Vibe coding tidak sekadar bertahan dari siklus hype — ia diam-diam menelan industri ini.

Saya membangun perangkat lunak produksi hampir sepenuhnya dengan mengarahkan agen AI dalam bahasa Inggris sederhana. Tanpa mengetik sintaks dengan tangan, tanpa gelar ilmu komputer — hanya instruksi yang tepat, tinjauan yang ketat, dan metode yang menjaga semuanya agar tidak runtuh karena beratnya sendiri. Inilah panduan yang saya harap seseorang berikan kepada saya di hari pertama: apa itu vibe coding sebenarnya pada 2026, cara memulai dari nol, alat dan model persis yang layak kamu gunakan saat ini, dan — bagian yang diam-diam ingin diketahui semua orang — apakah kamu benar-benar bisa menggunakan ini untuk membangun sesuatu sebesar Google atau Facebook.

Versi singkat: kamu bisa membangun jauh secara menakjubkan dengan vibe coding, lebih jauh dari yang hampir semua orang perkirakan. Tetapi orang-orang yang merilis perangkat lunak serius berskala besar dengan AI bukanlah mereka yang melempar prompt ke chatbot dan berdoa. Mereka menjalankan proses yang disiplin. Pada akhir artikel ini, kamu akan tahu persis seperti apa proses itu, dan kamu akan memiliki stack yang bisa langsung kamu gunakan hari ini.

Apa itu vibe coding sebenarnya? (Definisi 2026)

Istilah ini diciptakan Andrej Karpathy pada Februari 2025 dan menjadi begitu mainstream sehingga Collins Dictionary menobatkannya sebagai Word of the Year 2025. Rangkaian awal gagasannya sengaja dibuat longgar: kamu menyerah pada vibe, jelaskan apa yang kamu mau, dan terima apa pun yang diberikan model tanpa memusingkan detailnya.

Versi santai itu sudah mati, dan jujur saja, baguslah. Pada 2026, vibe coding berarti sesuatu yang lebih dewasa: kamu menulis spesifikasi bahasa alami yang tepat, agen AI mengimplementasikannya, dan kamu tetap terlibat sebagai arsitek, peninjau, dan otoritas akhir. Kamu tidak mengetik kodenya. Kamu mengarahkan sistem yang mengetik kode — dan kamu bertanggung jawab atas apa yang dirilis.

Karpathy sendiri menggeser target pada awal 2026, memensiunkan “vibe coding” sebagai ketinggalan zaman dan mengusulkan “agentic engineering” sebagai gantinya: agentic karena kamu mengorkestrasi agen alih-alih menulis kode 99% waktu, engineering karena melakukannya dengan baik adalah keahlian sejati dengan expertis nyata di baliknya. Nama itu belum sepenuhnya melekat — kebanyakan orang masih bilang “vibe coding” — tetapi pergeseran yang digambarkannya tepat sekali. Pusat gravitasi berpindah dari mengetik untuk mengarahkan.

Inilah data yang penting. Sekitar 92% pengembang AS kini memakai alat coding AI setiap hari, dan 82% pengembang di seluruh dunia memakainya setidaknya setiap minggu. Di antara angkatan terbaru Y Combinator, sebagian besar startup memiliki basis kode yang lebih dari 90% dihasilkan AI. Ini bukan lagi teknik pinggiran. Ini sudah menjadi default, dan kamu entah fasih atau lambat.

Kebenaran jujur tentang “vibe coding Google atau Facebook”

Mari hadapi mimpi itu langsung, karena inilah pertanyaan yang paling sering saya terima.

Bisakah kamu duduk akhir pekan ini dan sekali jadi membuat klon google.com atau facebook.com yang berfungsi? Tidak. Siapa pun yang bilang sebaliknya sedang menjual kursus. Google adalah ribuan insinyur, infrastruktur skala planet, satu dekade sistem yang terakumulasi, dan teknologi pencarian/peringkat yang benar-benar sulit. Tangkapan layar dari “klon Facebook yang dibangun dalam satu prompt” adalah mockup UI tanpa backend nyata, tanpa autentikasi berskala, tanpa model data yang bertahan saat bertemu pengguna, dan tanpa keamanan yang layak disebut.

Tapi inilah bagian yang adalah benar, dan itulah kebenaran yang lebih menarik: perangkat lunak besar berkualitas produksi benar-benar sedang dibangun dengan cara ini sekarang — termasuk di dalam perusahaan yang coba kamu tiru. Statistik Google sendiri bahwa seperempat dari seluruh kodenya adalah petunjuknya. Perbedaan antara demo sekali pakai dan sesuatu yang nyata bukanlah prompt-nya. Perbedaannya adalah metodenya.

Demo itu mudah. Perangkat lunak yang aman, skalabel, dan mudah dipelihara itu sulit — dan celah itulah ketegangan yang menentukan vibe coding pada 2026. Tim yang berhasil melewatinya memperlakukan agen AI sebagai insinyur junior yang cepat, tak kenal lelah, dan kadang terlalu percaya diri, lalu membungkusnya dengan disiplin yang sama seperti yang diterapkan organisasi engineering yang baik kepada manusia: arsitektur yang jelas, pekerjaan terurai, konteks proyek yang persisten, tes otomatis, dan tinjauan keamanan di mana setiap baris keluaran AI dianggap tidak tepercaya sampai terbukti sebaliknya.

Jadi rangkai ulang tujuannya. Kamu tidak akan membuat Google muncul begitu saja. Kamu bisa membangun produk nyata yang ambisius dan kaya fitur dengan vibe coding — jejaring sosial, marketplace, platform SaaS — hingga kualitas produksi sungguhan, sendiri atau dengan tim kecil, dalam sebagian kecil waktu yang biasanya dibutuhkan. Itu bukan versi lemah dari mimpi itu. Bagi founder solo, ini hampir seperti sihir. Sisa panduan ini menjelaskan cara benar-benar melakukannya.

Cara memulai vibe coding (dasar-dasar mutlak)

Jika kamu belum pernah melakukannya, inilah seluruh model mentalnya dalam satu kalimat: kamu adalah arsitek dan sutradaranya; AI adalah pembangunnya. Resapi itu dan semua hal lain akan mengikuti.

Inilah cara mendapatkan hasil nyata pertamamu, langkah demi langkah.

1. Pilih satu agen dan satu proyek. Jangan belanja alat selama seminggu. Ambil satu agen coding AI (rekomendasi di bawah) dan pilih proyek kecil tetapi nyata — situs web pribadi, pelacak kebiasaan, alat mungil yang benar-benar kamu inginkan. Nyata mengalahkan tutorial.
2. Jelaskan hasilnya, bukan implementasinya. Beri tahu agen apa yang kamu mau dan mengapa, dalam bahasa sederhana. “Buatkan saya situs pribadi yang bersih dengan halaman utama, blog dengan halaman posting individual, mode gelap, dan formulir kontak yang mengirim email ke saya.” Kamu belum perlu tahu apa itu React atau PostgreSQL. Kamu perlu tahu apa yang kamu mau.
3. Baca apa yang dilakukannya — jangan sekadar menerimanya. Inilah satu kebiasaan yang memisahkan orang yang merilis dari orang yang kena “vibe hangover.” Saat agen menjelaskan rencananya, baca. Saat ia menulis kode, minta ia menjelaskan apa pun yang tidak kamu pahami. Kamu tidak menghafal sintaks; kamu membangun penilaian tentang apakah pekerjaannya masuk akal.
4. Iterasi dalam langkah kecil yang spesifik. “Sekarang tambahkan tombol mode gelap.” “Formulir kontak harus memvalidasi email sebelum mengirim.” Satu perubahan setiap kali. Langkah kecil menjaga agen tetap akurat dan menjaga kamu tetap bisa tahu kapan ada yang rusak.
5. Uji hal itu terus-menerus. Klik setiap tombol. Coba rusak formulirmu sendiri. Minta agen menulis tes. Semakin cepat kamu menemukan masalah, semakin murah memperbaikinya.
6. Perlakukan AI seperti rekan, bukan oracle. Bantah. Tidak setuju. Tanya “apakah ada cara yang lebih sederhana?” Aturan emas vibe coding 2026 sangat blak-blakan: jangan pernah merilis kode yang tidak kamu pahami setidaknya secara garis besar. Kamu tidak perlu membaca setiap baris. Kamu perlu tahu untuk apa setiap bagian.

Itu saja. Itulah lingkarannya. Semua hal lain di artikel ini tentang melakukan lingkaran ini lebih baik, pada skala lebih besar, dengan alat yang tepat.

Alat: apa yang benar-benar dipakai pada 2026

Agen adalah hal yang kamu ajak bicara. Ia membaca basis kodemu, merencanakan perubahan, menyunting banyak berkas, menjalankan perintah dan tes, lalu beriterasi dengan sedikit arahan. Bidang ini telah terpecah menjadi tiga kubu jelas, dan sebagian besar pengguna berat yang saya kenal menjalankan dua atau tiga agen serta mengarahkan pekerjaan berdasarkan jenis tugas.

Agen terminal-first (tempat pekerjaan serius terjadi)

Ini berjalan di terminalmu, menyunting berkas langsung di mesinmu dalam lingkaran umpan balik yang ketat, dan cenderung paling mumpuni untuk engineering nyata.

• Claude Code — Andalan harian saya, dan pemimpin kemampuan mentah. Ditenagai Claude Opus 4.8, ia memuncaki papan peringkat SWE-bench Verified pada 88.6%. Ia sangat dapat diprogram (hook, “Routines” terjadwal, dan sebagainya) serta membaca CLAUDE.md berkas di repositorimu untuk memuat konteks proyek secara otomatis pada setiap sesi. Tingkat berbayar mulai sekitar $20/bulan.
• OpenAI Codex — Didukung GPT-5.5, ia memimpin papan peringkat Terminal-Bench dan mencakup CLI, cloud, web, dan seluler dalam satu akun, dengan harga awal sekitar $8/bulan. Bagus jika kamu hidup di ekosistem ChatGPT.
• OpenCode — Yang menonjol di sumber terbuka (172K+ bintang GitHub, lisensi MIT). Ini agen terminal sungguhan, bukan pembungkus, dan bersifat model-agnostik: bawa kunci API model apa pun — Claude, GPT, Gemini, Kimi, GLM, DeepSeek, Qwen — lalu jalankan. Kecepatan fiturnya tinggi karena komunitas merilis dengan cepat. Ini langkah yang tepat jika kamu ingin bebas dari satu vendor.
• Aider, Cline, Hermes Agent, Goose, Kilo Code — Lapisan sumber terbuka yang sehat. Semuanya gratis dijalankan; kamu hanya membayar token model yang kamu alirkan melaluinya.

Ruang kerja native IDE dan visual (tempat penyuntingan bertemu pengarahan)

• Cursor — Pengalaman editor menyeluruh yang paling bersih. Model Composer-nya murah per keluaran, dan Cursor 2.0 dapat menjalankan hingga delapan agen secara paralel. Jika kamu ingin melihat kode saat mengarahkan, mulailah di sini.
• Google Antigravity — Ruang kerja agent-first Google, gratis untuk individu dalam pratinjau publik, secara default memakai Gemini 3.5 Flash, dengan manajemen agen paralel visual. Kartu liar yang menarik. (Catatan: tingkat gratis Gemini CLI lama dengan 1.000 permintaan/hari berakhir June 18, 2026 saat Google melipatnya ke Antigravity CLI — jadi jika kamu mengandalkannya, hari ini saatnya beralih.)
• GitHub Copilot — Opsi native GitHub, paling kuat jika kodemu sudah tinggal di sana dan kamu ingin otomasi issue-ke-PR. Pro $10/bulan.
• Windsurf / Devin Desktop — Windsurf berevolusi menjadi Devin Desktop, condong ke agen cloud paralel yang otonom dan membuka pull request saat kamu mengerjakan hal lain.

Satu catatan teknis yang perlu diketahui: hampir setiap agen serius kini mendukung Model Context Protocol (MCP), standar terbuka yang memungkinkan kamu memasang alat eksternal yang sama (pencarian web, basis data, manajemen proyekmu, dll.) ke agen apa pun dengan penyiapan yang sama. Pelajari MCP sekali, gunakan di mana saja.

Model: jajaran 2026 (dan kapan memakai masing-masing)

Agenmu adalah kokpitnya; model adalah mesinnya. Dan pertengahan 2026 benar-benar masa yang liar untuk rilis model — tiga model paling penting di bawah ini hadir dalam beberapa minggu terakhir sebelum artikel ini ditulis.

Model tertutup frontier (kemampuan puncak, harga premium)

• Claude Opus 4.8 (Anthropic) — Dirilis 28 Mei 2026. Pemimpin kualitas saat ini untuk engineering kompleks, multi-berkas, dan konteks panjang: 88,6% pada SWE-bench Verified. Harga $5 per juta token input dan $25 per juta token output. Inilah yang saya pakai saat kesalahan akan mahal — arsitektur, refactor besar, apa pun yang menanggung beban.
• GPT-5.5 (OpenAI) — Bersaing ketat dengan Opus, dan pemimpin Terminal-Bench. Sangat baik dalam menghasilkan keluaran yang bisa dipakai bahkan ketika prompt-mu melewatkan kasus tepi, sehingga cocok untuk prototipe cepat.
• Gemini 3.1 Pro / 3.5 Flash (Google) — Kuat, terintegrasi mendalam ke ekosistem Google dan Antigravity, dengan Flash dioptimalkan untuk kecepatan.

Lonjakan bobot terbuka (kisah nyata 2026)

Di sinilah semuanya jadi menyenangkan, dan di sinilah penghematannya. Gelombang model bobot terbuka — banyak dari lab Tiongkok — benar-benar menjadi kompetitif dengan frontier, dan murah atau gratis untuk dihosting sendiri. Geopolitik ikut menjadi bahan bakarnya: pembatasan ekspor AS terbaru untuk model Amerika terkemuka di luar negeri membuat model terbuka berlisensi permisif jauh lebih menarik secara strategis di seluruh dunia.

• Kimi K2.7-Code (Moonshot AI) — Dirilis June 12, 2026. Monster bobot terbuka yang mengutamakan coding: model Mixture-of-Experts 1 triliun parameter (32B aktif per token), jendela konteks 256K token, masukan multimodal, dan lisensi MIT Modifikasi yang mengizinkan penggunaan komersial. Moonshot mengklaim sekitar penggunaan token penalaran 30% lebih rendah dibanding pendahulunya plus kenaikan benchmark dua digit, yang penting karena token adalah uang. Model ini berpasangan dengan Kimi Code CLI terminal-first (paket mulai $19/bulan) dan berjalan sekitar $0,95 per juta token input melalui API. Dibangun khusus untuk lingkaran agen jangka panjang: rencanakan-eksekusi-debug. Pilihan kuat untuk proses tak terawasi yang sangat panjang.
• GLM 5.2 (Z.ai, sebelumnya Zhipu AI) — Dirilis June 13, 2026, satu hari setelah Kimi. MoE 744B parameter (≈40B aktif) dengan jendela konteks 1 juta token yang dapat digunakan — cukup besar untuk memberinya seluruh repositori — dan bobot terbuka berlisensi MIT di Hugging Face. Z.ai mengklaim model ini mengungguli GPT-5.5 pada beberapa benchmark coding jangka panjang dengan biaya sekitar seperenamnya, meski perlu dicatat benchmark tersebut dilaporkan vendor dan belum diverifikasi independen saat peluncuran. Fitur andalan bagi vibe coder: model ini tersedia melalui endpoint yang kompatibel dengan Anthropic dan GLM Coding Plan mulai sekitar $10/bulan, sehingga langsung masuk ke Claude Code, OpenCode, Cline, Roo Code, Goose, dan kawan-kawan. Brilian untuk pekerjaan front-end dan berat UI, serta nilai yang absurd untuk sebagian besar coding agentic-mu.
• DeepSeek V4 (dan V4-Flash yang lebih murah) — Pilihan utama untuk pekerjaan bervolume tinggi dan sensitif biaya ketika kamu ingin kualitas layak dengan harga sangat murah.
• Qwen 3.5 — Performa per parameter sangat baik, terutama varian lebih kecil yang berjalan cepat di perangkat konsumen.

Menjalankan model sendiri: Ollama dan Ollama Cloud

Jika privasi, kendali biaya, atau sekadar tidak bergantung pada API siapa pun menarik bagimu, Ollama adalah “momen Docker bagi LLM lokal”: satu perintah untuk mengunduh dan menjalankan model terbuka (Llama, Qwen, Mistral, DeepSeek, Gemma, dan lainnya) secara lokal, dengan API kompatibel OpenAI di localhost:11434 yang dapat ditunjuk agen mana pun.

Kendala dengan model lokal selalu perangkat keras — model terbuka kelas frontier membutuhkan VRAM serius. Itulah tepatnya yang Ollama Cloud dipecahkan, dan kini tersedia secara umum. Ini inferensi terkelola: kamu menjalankan model terbuka besar yang sama di GPU pusat data Ollama dengan tanpa perlu GPU lokal, dan — inilah bagian pintarnya — ia mengekspos identik API HTTP seperti penyiapan lokalmu. Tanpa menulis ulang kode, tanpa SDK baru. Kamu cukup mengarah ke model cloud dan jalan. Harganya terjangkau: tingkat gratis, sebuah tingkat Pro sekitar $20/bulan, dan tingkat Max yang lebih tinggi sekitar $100/bulan, ditagih berdasarkan waktu GPU bukan token. Ollama juga berkomitmen tanpa logging, tidak melatih data-mu, dan tanpa retensi dengan mitra hostingnya — yang penting jika kamu mengerjakan hal sensitif atau tunduk pada GDPR.

Strategi perutean multi-model

Inilah pola yang benar-benar digunakan praktisi terbaik, dan ini adalah tuas biaya terbesar dalam vibe coding: jangan jalankan semuanya pada model termahal. Arahkan berdasarkan tugas.

• Gunakan model frontier (Opus 4.8, GPT-5.5) untuk sebagian kecil pekerjaan yang kesalahannya benar-benar mahal: arsitektur, desain skema, logika sensitif keamanan, refactor besar.
• Gunakan model terbuka murah yang kuat (GLM 5.2, Kimi K2.7, DeepSeek V4) untuk sebagian besar pekerjaan berat: implementasi fitur, boilerplate, UI, tes.
• Gunakan lokal atau Ollama Cloud model terbuka untuk inferensi bervolume tinggi dengan taruhan rendah: klasifikasi, peringkasan, suntingan sederhana.

Tim yang mengarahkan pekerjaan dengan cara ini rutin memangkas tagihan inferensi mereka 60–80% tanpa kehilangan kualitas berarti. Dengan agen model-agnostik seperti OpenCode, beralih semudah mengganti kunci API.

Sistem berkas yang memungkinkan proyek vibe-coding besar (AGENTS.md, CLAUDE.md & kawan-kawan)

Ini adalah bagian terpenting dalam artikel ini, dan — terus terang — bagian yang menjadi tujuan disiapkannya sisa panduan ini. Di sinilah hampir semua orang terbakar, termasuk saya sendiri saat memulai. Jadi mari kita pelan-pelan dan konkret, karena inilah perbedaan antara proyek yang tumbuh selama berbulan-bulan dan proyek yang diam-diam runtuh pada minggu kedua.

Inilah kenyataan brutalnya: Agen AI tidak punya memori antar-sesi. Tutup terminal dan semua yang “diketahui” agen tentang proyekmu menguap. Buka sesi baru besok dan ia menjadi orang asing total lagi — ia tidak ingat stack-mu, konvensimu, keputusan yang kamu ambil minggu lalu, atau apa yang setengah jalan dibangunnya. Beralih dari Claude Code ke Cursor, atau menukar satu model dengan model lain, dan kamu mulai dari nol untuk kedua kalinya. Pada proyek mungil, kamu bisa menjelaskan ulang semuanya dalam satu paragraf. Pada proyek besar, fakta tunggal inilah yang membunuhmu: kamu menghabiskan lebih banyak waktu memberi arahan ulang kepada agen daripada membangun, ia bertentangan dengan pilihan yang sudah kamu buat, dan basis kode melenceng menjadi spaghetti.

Perbaikannya adalah inti seluruh permainan, jadi saya akan mengatakannya terus terang: memori proyekmu harus hidup dalam berkas di repositori, bukan di obrolan. Obrolan itu sekali pakai. Berkas itu permanen. Setiap sesi, agen membangun ulang pemahamannya dengan membaca berkas-berkas itu lebih dulu — dan karena itu Markdown biasa yang ada di repositorimu, agen apa pun, model apa pun, alat apa pun dapat membacanya. Kamu berhenti menjelaskan ulang proyekmu selamanya dan mendokumentasikannya sekali dengan benar. Inilah yang membuat proyek bertahan melalui reset konteks, pergantian model, dan perubahan alat. Bukan kebetulan, ini juga yang memungkinkan satu orang memegang ambisi sebesar Google: kamu tidak menyimpannya di kepalamu. Kamu menyimpannya di disk.

Inilah lapisan dokumentasi yang saya taruh di akar setiap proyek serius:

project-root/
├── README.md          # Pintu depan: apa itu, mengapa ada, cara menjalankannya
├── AGENTS.md          # Instruksi operasi agen AI lintas alat (standar)
├── CLAUDE.md          # Panduan khusus Claude Code (tipis; mengimpor AGENTS.md)
├── GEMINI.md          # Panduan khusus Gemini CLI (tipis; mengimpor AGENTS.md)
├── CONVENTIONS.md     # Konvensi coding (juga dimuat otomatis oleh aider)
├── CONTEXT.md         # Konteks proyek bentuk panjang untuk manusia + LLM
├── llms.txt           # Peta repo/dokumen yang dapat dibaca mesin untuk agen
├── VISION.md          # "mengapa" dan bintang utara jangka panjang
├── ROADMAP.md         # Arah proyek: fase dan tonggak
├── TASKS.md           # Daftar tugas aktif / backlog kerja ("kursor")
├── TODO.md            # Catatan cepat dan longgar untuk hal yang belum direncanakan
├── DECISIONS.md       # Indeks keputusan arsitektur (tidak pernah dibuka lagi)
└── CHANGELOG.md       # Riwayat berversi yang dapat dibaca manusia tentang apa yang dirilis

Itu bisa terlihat seperti banyak. Tidak — begitu kamu melihat bahwa berkas-berkas ini melakukan tiga pekerjaan berbeda. Pikirkan dalam tiga lapisan, dari yang paling permanen ke yang paling sekali pakai.

Lapisan 1 — Aturan (tahan lama, jarang berubah)

Ini mendefinisikan bagaimana agen seharusnya berperilaku di repositorimu. Kamu menulisnya lebih awal dan mengeditnya sesekali.

• AGENTS.md adalah jantung sistem dan berkas yang memecahkan masalah portabilitasmu. Ini standar terbuka dan agnostik alat untuk memberi tahu apa pun agen coding AI cara kerja proyekmu: stack teknologi, cara menginstal dan menjalankannya, cara menjalankan tes dan linting, konvensi yang harus diikuti, dan hal-hal yang tidak boleh dilakukan. Standar ini muncul pada 2025 dari kolaborasi antara Sourcegraph, OpenAI, Google, Cursor, dan Factory, dan kini dikelola di bawah Linux Foundation, diadopsi oleh 30+ alat dan berada di 60.000+ repositori. Intinya adalah portabilitas: tulis sekali dan Codex, Cursor, Windsurf, Cline, Copilot, Gemini CLI, dan lainnya membacanya secara native. Semua yang dibagikan hidup di sini.
• CLAUDE.md adalah berkas instruksi native Claude Code sendiri — dan inilah jebakan yang menggigit semua orang, yang mungkin justru yang pernah membakar kamu: per pertengahan 2026, Claude Code tidak secara otomatis membaca AGENTS.md. Ia membaca CLAUDE.md. Jika repositorimu hanya punya AGENTS.md, Claude Code memuat nol instruksi proyek, dan ia tidak akan memperingatkanmu. Kamu hanya mendapat keluaran yang lebih buruk dan bertanya-tanya kenapa. Perbaikannya sangat sederhana dan sudah didokumentasikan resmi: buatlah CLAUDE.md berkas tipis yang menarik berkas bersama itu dengan satu baris — @AGENTS.md — sehingga Claude membaca instruksi universalmu plus tambahan khusus Claude. (Pendekatan umum lainnya adalah symlink: ln -s AGENTS.md CLAUDE.md, yang membuat keduanya benar-benar menjadi berkas yang sama.) Satu sumber kebenaran, tanpa duplikasi, tanpa pergeseran.
• GEMINI.md adalah ide yang sama untuk Gemini CLI milik Google — berkas instruksi khusus alat itu. Biarkan tetap tipis dan arahkan kembali ke AGENTS.md juga. Polanya tidak pernah berubah: satu berkas bersama untuk semuanya, satu berkas tipis per alat.
• CONVENTIONS.md menyimpan konvensi penulisan kodemu — penamaan, format, pola, aturan arsitektur. Ia berguna sendiri dan merupakan berkas yang dimuat agen aider AGENTS.md sehingga setiap alat mewarisi standar yang sama.

Hasil dari lapisan ini adalah hal yang memang kamu inginkan: kemandirian alat yang sejati. Karena aturan bersama itu tinggal di AGENTS.md dan setiap alat hanya menunjuk ke sana, kamu bisa menyerahkan proyek yang sama ke Claude Code hari ini, Cursor besok, dan OpenCode minggu depan — dan semuanya bekerja dari instruksi yang identik. Tanpa penjelasan ulang, tanpa keterikatan. Itulah arti portabilitas dalam praktik.

Lapisan 2 — Pengetahuan dan keadaan hidup (inilah memori sebenarnya)

Lapisan ini adalah apa apa proyeknya dan di mana posisinya saat ini. Berkas “saat ini” berubah setiap sesi — itulah obat sesungguhnya bagi amnesia.

• README.md — pintu depan, ditulis untuk manusia lebih dulu: apa proyeknya, kenapa ia ada, cara menjalankannya. Setiap pendatang baru (dan setiap agen) mulai dari sini.
• CONTEXT.md — latar belakang panjang untuk manusia maupun LLM: domainnya, masalah yang kamu pecahkan, konsep dan istilah kunci, kendalanya. Inilah konteks mendalam yang tidak cocok ditaruh di berkas instruksi singkat tetapi dibutuhkan agen untuk mengambil keputusan yang baik.
• VISION.md — bintang penjuru: kenapa proyek ini ada dan ke mana arah jangka panjangnya. Ini menjaga kamu dan agen tetap mengarah ke tujuan yang sama saat kamu tenggelam dalam satu fitur.
• llms.txt — peta Markdown kecil yang bisa dibaca mesin, menunjuk agen (dan alat pengambil dokumen) ke berkas-berkas terpentingmu dengan deskripsi satu baris, supaya mereka cepat menemukan konteks yang tepat dan memakai lebih sedikit token. Catatan jujur: sebagai public-website taktik SEO, llms.txt masih belum terbukti — perusahaan AI besar belum berkomitmen membacanya dan studi menunjukkan belum ada manfaat peringkat yang terukur. Tapi sebagai repo/docs indeks bagi agen penulisan kode, ia tetap berguna.
• ROADMAP.md — ke mana proyek ini menuju, dipecah menjadi fase (lihat bagian berikutnya) dan tonggak. Peta seluruh perjalananmu.
• TASKS.md — satu berkas terpenting untuk kesinambungan sehari-hari. Inilah kursor: apa yang sudah selesai, apa yang sedang dikerjakan sekarang, apa berikutnya, dan hambatan apa pun. Saat sesi baru membacanya, ia tahu persis harus melanjutkan dari mana. Jaga tetap singkat dan mutakhir — ini untuk orientasi ulang cepat, bukan prosa.
• TODO.md — penampung bebas untuk ide dan hal-hal kecil yang belum dijadwalkan. Menjaga TASKS.md tetap fokus pada pekerjaan aktif tanpa ada yang terlewat.
• DECISIONS.md — catatan hanya-tambah berisi pilihan arsitektur yang sudah kamu buat dan mengapa. “Kami memilih Postgres daripada SQLite karena kami butuh penulisan bersamaan.” Inilah yang mencegah agen diam-diam memperdebatkan ulang pertanyaan yang sudah selesai atau bertentangan dengan pilihan tiga sesi kemudian. Terbaru di atas; tidak pernah disunting, hanya ditambahkan.
• CHANGELOG.md — catatan ber-versi yang mudah dibaca manusia tentang apa yang benar-benar dirilis, berurutan. Ini sekaligus riwayat proyekmu dan cara tercepat bagi sesi yang kembali untuk melihat apa yang berubah belakangan ini.

Lapisan 3 — Sesi (fana, hanya hidup di obrolan)

Ini adalah percakapan yang sedang kamu lakukan sekarang. Ia satu-satunya lapisan yang tidak bertahan — dan itu tidak masalah, karena semua yang penting darinya ditulis kembali ke Lapisan 2 sebelum kamu menutup. Apa pun yang hanya hidup di sini, menurut definisi, sebentar lagi akan terlupakan.

Bagaimana sesi benar-benar berjalan

Kalau dirangkai, irama hariannya hampir membosankan — dan itulah intinya. Sesi normal tampak seperti ini:

1. Buka sesi. Hal pertama yang dilakukan agen adalah membaca aturan dan statusnya: AGENTS.md (lewat CLAUDE.md/GEMINI.md), lalu ROADMAP.md, TASKS.md, dan DECISIONS.md.
2. Orientasi ulang. Ia melaporkan: “Kita di Fase 2, tugas terakhir adalah alur login, berikutnya middleware autentikasi, tanpa hambatan.” Kamu mengonfirmasi atau mengarahkan ulang. Tiga puluh detik, tanpa usaha, tanpa penjelasan ulang.
3. Kerjakan satu tugas. Ia mengerjakan satu item dari TASKS.md, mengikuti konvensi dan menghormati keputusan yang sudah dikunci.
4. Tulis kembali memorinya. Sebelum kamu menutup, agen memperbarui TASKS.md (memindahkan kursor), menambah satu baris ke CHANGELOG.md (apa yang dirilis), dan mencatat pilihan baru di DECISIONS.md.
5. Tutup. Jendela konteks menjadi kosong — dan itu tidak masalah, karena tidak ada yang berharga di dalamnya. Semuanya ada di disk.

Besok kamu membuka sesi baru, atau beralih ke alat yang sama sekali berbeda, dan langkah 1 membangun ulang seluruh konteks dalam hitungan detik. Itu cara masalah amnesia berakhir, dan itulah alasan utama seorang pembangun tunggal bisa menjaga proyek besar berbulan-bulan tetap koheren.

Inilah “agentic engineering” yang diwujudkan. Era satu mega-prompt sudah berakhir; era dekomposisi strategis telah tiba. Kamu bukan sekadar mengobrol dengan AI — kamu membangun dan menjalankan sistem operasi untuk agen-agenmu, dengan dokumen-dokumen ini sebagai satu-satunya sumber kebenaran. Siapkan sekali, dan pekerjaan sehari-hari terasa ringan lagi sementara proyek diam-diam membesar melampaui apa pun yang bisa ditampung satu percakapan.

Peta jalan realistis: vibe coding aplikasi besar, fase demi fase

Jadi bagaimana kamu mengarahkan semua ini ke sesuatu yang ambisius — misalnya jaringan sosial atau marketplace sungguhan? Kamu tidak membangunnya sekaligus. Kamu bergerak melewati fase, dan di setiap fase kamu hanya membiarkan agen mengerjakan satu langkah kecil setiap kali.

• Fase 0 — Fondasi. Siapkan repo, sistem dokumentasi di atas, dan pilih stack-mu. Jalankan “hello world” secara lokal. Kunci keputusan arsitektur besarmu sebelum ada fitur apa pun.
• Fase 1 — Arsitektur & data. Tentukan bentuk sistemnya: model data, komponen utama, cara mereka berkomunikasi. Ini pekerjaan model frontier — lakukan dengan benar dan semua yang setelahnya jadi lebih mudah.
• Fase 2 — Fitur inti. Bangun jantung produk dari ujung ke ujung sampai alur pengguna utama berfungsi. (Untuk jaringan sosial: akun, profil, posting, feed.)
• Fase 3 — Integrasi & autentikasi. Autentikasi sungguhan, layanan eksternal, persistensi, jaringan penghubungnya.
• Fase 4 — Antarmuka & penyempurnaan. Front end, desain responsif, internasionalisasi kalau kamu butuh. Pekerjaan yang cocok untuk model kuat di UI seperti GLM 5.2.
• Fase 5 — Pengerasan. Tes, performa, penanganan error, dan keamanan — bagian yang selalu dilewati demo dan tidak pernah bisa dilewati produk sungguhan.
• Fase 6 — Deployment & operasi. Rilis. Siapkan deployment, pemantauan, cadangan, dan runbook untuk saat ada yang rusak.
• Fase 7 — Peluncuran & kepatuhan. Halaman legal, dokumen publik, dan (kalau kamu beroperasi di tempat seperti UE) persyaratan privasi dan pengungkapan yang tidak bisa ditawar untuk situs komersial.
• Fase 8 — Iterasi. Sekarang kamu produk sungguhan. Perbaiki, tingkatkan, dan tumbuh, selamanya.

Perhatikan efeknya: ini mengubah gunung yang terasa mustahil (“bangun jaringan sosial”) menjadi rangkaian panjang sesi tunggal yang bisa diselesaikan. Itulah seluruh triknya. Proyek raksasa tidak dibangun dengan prompt raksasa. Ia dibangun dari seribu langkah kecil yang terarah dan terdokumentasi dengan baik.

Jebakan (alias jangan kena “vibe hangover”)

2025 mendapat julukan: tahun mabuk vibe. Banyak tim buru-buru mengganti rekayasa yang hati-hati dengan prompting dan langsung menabrak kenyataan. Belajarlah dari itu.

• Keamanan adalah yang terbesar. Sebuah firma keamanan baru-baru ini membangun 15 aplikasi identik dengan lima alat vibe coding populer dan menemukan 69 kerentanan, enam di antaranya kritis. Kode buatan AI secara tidak proporsional rentan terhadap celah keamanan. Perlakukan setiap baris keluaran AI sebagai tidak tepercaya sampai ditinjau dan dipindai. Jangan pernah membiarkan agen menciptakan autentikasinya sendiri atau menangani rahasia tanpa pengawasanmu.
• Pembusukan kode itu nyata. Studi mencatat meningkatnya churn kode dan berlipatnya kode duplikat seiring naiknya volume AI. Disiplin refactoring jadi lebih penting, bukan kurang. Suruh agen merapikan hasil kerjanya sendiri.
• Kesenjangan kepercayaan itu sehat. Kesukaan pengembang terhadap alat AI sebenarnya turun from 77% in 2023 to about 60% in 2026, even as usage kept climbing. That’s not pessimism — it’s maturity. The industry learned to use the tools without blindly trusting them. You should too.
• Debugging bisa menggerus tabunganmu. Sejumlah besar pengembang mengaku menghabiskan lebih waktu memperbaiki kode AI daripada menulisnya sendiri — hampir selalu karena mereka menerima keluaran yang tidak dipahami dan melewatkan tes. Solusinya sama seperti biasa: langkah kecil, pengujian terus-menerus, tinjauan sungguhan.

Semua ini bukan alasan untuk menghindari vibe coding. Ini alasan untuk melakukannya seperti seorang profesional.

Stack vibe-coding 2026 yang cerdas (rekomendasi saya)

Kalau kamu ingin melewati kelumpuhan analisis, ini susunan konkret yang dengan senang hati akan saya berikan ke pemula atau untuk dijalankan pada proyek serius.

Stack pemula yang ringkas dan hampir gratis

• Agen: OpenCode (gratis, sumber terbuka, agnostik model) atau Google Antigravity (gratis dalam pratinjau).
• Model: GLM 5.2 lewat Coding Plan ~$10/bulan untuk sebagian besar pekerjaan, plus tingkat gratis Ollama Cloud untuk hal-hal kecil bervolume tinggi.
• Metode: sistem dokumentasi-dulu di atas. Tidak bisa ditawar.
• Biaya: kira-kira seharga beberapa cangkir kopi sebulan.

Stack pembangun serius (yang benar-benar saya pakai)

• Agen utama: Claude Code, untuk kemampuan mentah dan seberapa bisa diprogram.
• Model arsitektur: Claude Opus 4.8 untuk keputusan yang menopang beban.
• Model pekerja: GLM 5.2 dan Kimi K2.7-Code untuk kerja harian, dirutekan lewat pengaturan agnostik model. Kimi khususnya untuk proses otonom yang sangat panjang tanpa pengawasan berkat efisiensi token dan konteks 256K-nya.
• Lapisan murah/lokal: Ollama Cloud (Pro) untuk inferensi bervolume tinggi dengan taruhan rendah.
• Perekat: MCP untuk alat, dan struktur proyek dokumentasi-dulu yang ketat yang mengikat semuanya.

Apa pun pilihanmu, ingat pelajaran intinya: alat yang kamu pilih lebih tidak penting daripada alur kerja yang kamu bangun di sekitarnya. Pembangun disiplin dengan alat gratis akan mengirim lebih banyak daripada yang ceroboh dengan stack termahal yang bisa dibeli.

Pertanyaan yang sering diajukan

Bisakah orang yang sama sekali bukan pemrogram benar-benar melakukan vibe coding untuk sesuatu yang nyata di 2026? Bisa — itulah inti dari posisi alat-alat ini sekarang. Orang non-insinyur merilis perangkat lunak yang berfungsi dengan menentukan maksud dan mengevaluasi hasil. Kamu tetap butuh pertimbangan, kesabaran, dan kemauan memahami secara garis besar apa yang dilakukan AI, tetapi kamu tidak perlu menulis kode dengan tangan.

Apakah vibe coding masih relevan, atau “agentic engineering” menggantikannya? Hal yang sama, nama yang lebih baik. “Agentic engineering” hanyalah vibe coding yang dilakukan dengan disiplin — mengorkestrasi agen, menetapkan gerbang kualitas, dan menjaga pengawasan manusia di titik-titik kritis. Kebanyakan orang masih menyebut “vibe coding” dalam percakapan; praktik di baliknya saja yang sudah matang.

Model AI terbaik untuk coding saat ini? Untuk kualitas puncak, Claude Opus 4.8 (88,6% pada SWE-bench Verified) dan GPT-5.5 adalah pemimpin frontier. Untuk nilai terbaik, model bobot terbuka seperti GLM 5.2 dan Kimi K2.7-Code sangat dekat dengan biaya sebagian kecilnya. Jawaban cerdasnya adalah memakai keduanya — frontier untuk 10% yang sulit, murah-tapi-kuat untuk 90% sisanya.

Bagaimana saya bisa vibe coding secara gratis (atau hampir gratis)? Pakai agen sumber terbuka gratis seperti OpenCode, pasangkan dengan tingkat gratis Ollama Cloud atau paket di bawah $15 seperti Coding Plan dari GLM atau Kimi Code, lalu jalankan model bobot terbuka. Google Antigravity juga gratis untuk individu dalam pratinjau. Kamu bisa membangun banyak hal serius dengan harga seharga sandwich sebulan.

Bisakah saya benar-benar membangun startup atau aplikasi besar dengan cara ini? Produk sungguhan dengan banyak fitur dan kualitas produksi — bisa, dan orang melakukannya sendirian sepanjang waktu. Klon harfiah Google atau Facebook dalam skala penuh — tidak, itu butuh ribuan insinyur dan infrastruktur sekelas planet. Target yang realistis dan sungguh menarik adalah produk ambisius dengan kualitas produksi yang dibangun satu orang atau tim kecil, sesuatu yang dulu mustahil.

Apakah kode buatan AI cukup aman untuk dirilis? Tidak secara bawaan. Kode AI secara tidak proporsional cenderung memiliki celah keamanan, jadi kamu harus meninjau dan memindainya, jangan pernah membiarkan agen menangani autentikasi atau rahasia tanpa pengawasan, dan perlakukan semua keluaran sebagai tidak tepercaya sampai terverifikasi. Dengan disiplin itu, ia sepenuhnya layak dirilis. Dilakukan membabi buta, ia adalah pelanggaran yang tinggal menunggu waktu.

Claude Code vs Cursor — mana yang sebaiknya dipilih pemula? Kalau kamu ingin agen paling mumpuni dan nyaman di terminal, Claude Code. Kalau kamu ingin melihat kodemu di editor yang rapi sambil mengarahkan AI, Cursor. Banyak orang memakai keduanya. Keduanya tempat memulai yang baik; jangan terlalu dipikirkan.

Apa itu Ollama Cloud dan kenapa saya memakainya? Ollama Cloud menjalankan model sumber terbuka besar di GPU pusat data terkelola sehingga kamu tidak butuh perangkat keras mahal, sambil menyediakan API yang persis sama dengan menjalankan Ollama secara lokal — jadi bisa langsung dipakai. Gunakan untuk inferensi yang ramah privasi dan biaya terkendali, terutama pekerjaan bervolume tinggi, dengan tingkat gratis untuk memulai.

Apa bedanya AGENTS.md dan CLAUDE.md — dan apakah Claude Code membaca AGENTS.md? AGENTS.md adalah standar terbuka lintas alat (dikelola di bawah Linux Foundation dan dibaca oleh Codex, Cursor, Windsurf, Cline, Gemini CLI dan 30+ lainnya); CLAUDE.md adalah berkas instruksi asli milik Claude Code sendiri. Masalahnya: per pertengahan 2026, Claude Code tidak otomatis membaca AGENTS.md — kalau sebuah repo hanya punya berkas itu, Claude Code tidak memuat instruksi proyek dan tidak memberi peringatan. Solusinya adalah menyimpan AGENTS.md sebagai sumber kebenaran bersamamu dan membuat CLAUDE.md berkas tipis yang mengimpornya dengan satu @AGENTS.md baris (atau symlink keduanya dengan ln -s AGENTS.md CLAUDE.md). Satu berkas untuk semuanya, satu berkas tipis per alat.

Bagaimana menghentikan agen AI melupakan proyek saya antar sesi? Taruh memori proyek di berkas dalam repo, bukan di obrolan. Simpan sebuah AGENTS.md untuk aturan, sebuah ROADMAP.md untuk rencana, sebuah TASKS.md untuk kursor saat ini (selesai / sedang berjalan / berikutnya), dan sebuah DECISIONS.md untuk pilihan yang dikunci. Suruh agen membaca semuanya di awal setiap sesi dan menulis pembaruan di akhir. Karena semuanya Markdown biasa di disk, konteksnya bertahan melewati reset konteks, pergantian model, dan perpindahan alat sepenuhnya.

Ke mana selanjutnya

Vibe coding pada 2026 bukan gimmick dan bukan jalan pintas untuk yang malas. Ini cara yang nyata, kuat, dan makin standar untuk membangun perangkat lunak — yang memberi daya ungkit luar biasa kepada siapa pun yang mau belajar mengarahkannya dengan baik. Hambatan untuk menciptakan perangkat lunak telah runtuh. Hambatan barunya adalah selera, pertimbangan, dan disiplin.

Jadi mulailah dari kecil hari ini. Pilih satu agen, arahkan ke proyek nyata, dan jalankan siklusnya: jelaskan, tinjau, iterasi, uji. Lalu, saat kamu siap melangkah lebih besar, siapkan sistem dokumentasi-dulu agar proyekmu punya memori dan agen-agenmu bisa berkembang bersamamu. Jarak antara “saya punya ide” dan “ini sudah tayang di internet” belum pernah sependek ini. Satu-satunya pertanyaan tersisa adalah apa yang akan kamu bangun.

---

Sedang membangun sesuatu yang ambisius dan ingin sistem dokumentasi-dan-prompt persis yang membuat vibe coding skala besar benar-benar berhasil? Itu panduan tersendiri — dan bacaan berikutnya yang bagus di situs ini.